MiniMax H3 提示词指南：官方公式与三种模式

关于 MiniMax H3 该怎么写提示词，目前流传的内容大多是猜的——这个模型才发布一周出头。这篇指南不是猜的。MiniMax 在 7 月 31 日发布 H3 的同时公布了一份详尽的使用手册，里面藏着一样稀罕东西：一条明确的、工程师写的提示词公式、一套文件引用角色的分类法，以及一份坦率列出的、最常毁掉生成结果的错误清单。这些内容此前几乎没有以英文形式流传出来。

我们做的是 Pixo，一个多模型 AI 视频平台，模型手册发布当天就读完是我们的日常——我们的 agent 必须为每一个接入的模型写出生产级提示词。下面就是 H3 的这套提示词体系，为一线创作者做了翻译和重新组织，并与 MiniMax 官方视频生成文档做了交叉核对。（还不了解这个模型？先看我们的 H3 首发解读。）

官方公式

直接来自手册：

完整提示词 = 参考素材说明 + 核心创意 + 分段过程描述

三个板块，就按这个顺序。没上传任何文件就跳过第一块。绝大多数失败的 H3 提示词，恰恰是砸在其中某一块上——通常是把所有内容糊成一整段不分层的文字，而这正是手册列在第一位的错误。

板块一：参考素材说明

你上传的每个文件都会按上传顺序拿到一个编号，在正文里以 @image1、@video2、@audio3 的形式就地引用。而每个文件都需要一个被声明的角色。这套角色分类法值得背下来，因为它实际上就是 H3 用自然语言写成的 API：

• 角色参考 —— 锁定一张脸或一个形象
• 物体参考 —— 锁定一件产品或道具
• 场景参考 —— 锁定一个地点
• 关键帧 —— 锁定一帧（要明说它是首帧还是尾帧）
• 声音参考 —— 锁定一种音色
• 分镜稿 —— 按故事板画面生成镜头
• 风格参考 —— 匹配某张图的观感
• 构图参考 —— 匹配取景与版面
• 音频复用 —— 把这条音轨直接（或部分）用作视频的声音
• 动作参考 —— 从一段视频里锁定一个动作
• 运镜参考 —— 锁定一段镜头运动
• 视频编辑 —— 待修改的那段视频

手册给的例子："@image1 是角色参考（锁定这位女性的脸），@video1 是动作参考（使用其中的剑舞动作），@audio1 是氛围参考（古琴古典配乐）。让这位女性在樱花庭院中表演视频里的这段剑舞。"

别忘了模型卡里那条硬上限：合计 12 个文件——最多 9 张图像、3 段视频和 3 条音轨，其中视频和音频各自的总时长上限均为 15 秒。

板块二：核心创意

手册明确点名了四个要素：主体（谁或什么）、地点（在哪）、事件（做什么）和类型／风格（实拍、动画、电影感、商业广告、纪录片——或者赛博朋克、霓虹这类具名美学）。此外还可以选填镜头行为：H3 默认会在镜头之间切换，所以你若想要一镜到底，就得说出来。在运镜上手册格外具体——要写*"左移轨道 + 右摇"*这样的具体动作，而不是"环绕这个场景"这类含糊要求。至于切换，你可以指定风格：硬切、淡入淡出、卡点切、快速蒙太奇。

板块三：分段过程描述

按时间顺序、一段一段描述发生了什么——"0–3s：……，3–7s：……"——并在有关联的地方用 @ 引用把元素和文件挂上钩。对白也写在这里，规则不容商量：把台词原句写出来。"她说了句动人的话"只会产出一团糊；而*"她说：'你来了。这把剑等得够久了。'"*会真的产出这句话，并配好唇形。

能救回一次生成的几条规则

手册里四条不起眼的小规则，实际分量远超篇幅：

写镜头看得见的东西，别写它的含义。 H3 奖励具体、可视、直白的描述，一遇隐喻就翻车。"雨水打湿的霓虹在她皮夹克上反光"永远胜过"一种都市忧郁的氛围"。

画面内的文字必须原样加引号写出。 想让文字出现在画面里，就把它写出来："手机屏幕上显示标题'AI 视频创作'，下方按钮写着'立即开始'。"

明确掐掉不想要的音乐。 不要背景音乐？就在提示词末尾写上 non_diegetic_music: N/A。而且千万别自相矛盾——一行里要配乐、另一行里又禁背景音乐，是手册明列的失败模式。

切镜头时要指明景别。 指定切换时，说清新镜头的景别，以及它拍的是此前已确立的哪个主体——这正是让脸在切换之间保持一致的关键。

三种模式各自怎么写

参考模式（最多 9 张图像 + 3 段视频 + 3 条音频）：整套公式全部适用——参考说明这一块是必填的，没标注的文件就是浪费掉的文件。

图生视频／首尾帧：上传一张图并说明它是开头还是结尾帧；上传两张，H3 就会补出两者之间的运动、光线和声音。关键在于，这个模式下它不会自作主张地加入切换——手册的例子是："@image1 是首帧：樱花树下一位手持长剑的女性。让她从起手式一路完成整套剑舞，动作自然流畅，不要切镜头。"

纯文生视频：不带文件，上限相当宽裕——手册给出的提示词长度上限是 7000 字符。而可用结果的下限是：主体外貌 + 场景细节 + 动作 + 风格。比这更短的提示词是一种有据可查的失败模式，而不是什么风格选择。

可直接复制的起手模板

三条基于官方公式搭好的提示词（可自由改写）：

[References] @image1 is the character reference (lock her face). @image2 is the scene reference.
[Core idea] A woman in a rain-soaked neon alley in Tokyo at night; cinematic live-action; one continuous take, slow push-in.
[Process] 0–4s: she walks toward camera, rain on her jacket, distant traffic hum. 4–8s: she stops, looks up; she says: "It was never about the money." Ambient rain continues. non_diegetic_music: N/A

[References] @image1 is the object reference (lock the perfume bottle, label included). @audio1 is the audio reuse track.
[Core idea] Luxury product film, 21:9, studio-to-sunset lighting shift; beat-synced cuts.
[Process] 0–3s: bottle rises from black marble, side light. 3–6s: cut on beat to golden-hour terrace, bottle identical. 6–8s: macro on the label, on-screen text reads "NOCTURNE".

[Edit instruction, against an existing video] Replace the cat in the video with a golden retriever. Keep the camera move, lighting and background unchanged.

手册点名的六个错误

一条诚实的捷径

手册最后的建议——把提示词写作交给一个专业的搭档——正是 MiniMax 自己对我们在每个前沿模型上都看到的那个趋势的承认：提示词已经悄然变成了规格书，带着参考清单、时间块和格式规则。懂这套公式，是可用输出和一团糊之间的分界线；但要为一支多场景视频的每个镜头都写出规格级提示词，是实打实的工作量。

这正是我们打造 Pixo agent 的目的：描述你想要的视频，agent 会写出剧本、分镜，以及用每个模型母语方言写成的逐镜头提示词——上面这套公式也包含在内。不同模型想听不同的方言，而这正是我们做 H3 与 Seedance 2.5 对比的意义所在。MiniMax H3 即将进入 Pixo 的分镜，与 Seedance、Kling 和 Veo 并列。立即注册——新用户注册即得 200 免费额度——等 H3 一上线，你就能马上让它开工。

常见问题

MiniMax H3 的官方提示词公式是什么？

MiniMax 的使用手册把它定义为：完整提示词 = 参考素材说明 + 核心创意 + 分段过程描述。先声明每个上传文件是干什么用的，再交代主体、地点、事件和风格，最后按时间顺序描述动作——需要的话可以带时间戳。

在 MiniMax H3 的提示词里怎么引用上传的文件？

按上传顺序编号，并在正文里就地引用——@image1、@video2、@audio3。每个文件都要有一个明确声明的角色：锁脸、锁物体、场景参考、动作参考、声音参考、节奏音轨等等。没写清楚用途的文件，是参考被无视的头号原因。

怎样阻止 MiniMax H3 自作主张加背景音乐？

在提示词末尾明确写出来："non_diegetic_music: N/A"（或等价的自然语言表述）。没写下来的否定诉求往往会被忽略——另外，千万不要一行里要配乐、另一行里又禁背景音乐。

怎样让 MiniMax H3 里角色的脸保持一致？

上传一张角色参考图，并明确标注它是用来锁脸的——例如"@image1 是角色参考（锁定这位女性的脸）"。想要面部一致却不上传带标注的参考图，正是手册列出的常见错误之一。

MiniMax H3 的三种生成模式是什么？

参考生视频（最多 12 个文件——9 张图像、3 段视频、3 条音频，每个都要声明角色）、用一到两张关键帧的图生视频（H3 补出中间的运动，且不会自作主张地加切换），以及纯文生视频。

本指南翻译并重新组织了 MiniMax 自家的 H3 使用手册，并于 2026 年 8 月 5 日与官方视频生成文档及已公开的模型卡做了交叉核对。文中的提示词范式正是我们的 agent 在生产环境中使用的；模型行为会随版本更新而变化，因此请把任何单个示例当作起点，而不是保证。